[发明专利]基于改进ANN耦合异步元胞自动机的城市动态扩张模拟方法

说明书

本发明涉及一种基于改进ANN耦合异步元胞自动机的城市动态扩张模拟方法，属于地理信息技术领域，S1：通过K‑means方法对研究区域进行分区；S2:在每个分区内构建ANN‑HPSO‑CA模型得到每个分区的转换规则；S3：将ANN‑HPSO‑CA模型与异步元胞自动机模型耦合。本发明将一种与改进ANN与异步元胞自动机CA模型相结合，通过使用粒子群结合CA优化之后的ANN提取转换规则，并且考虑了因地理位置和经济差异所导致的空间异质性与时间异质性，更加符合真实的城市扩张模拟，能够提升城市扩张模拟精度高，为相关领域决策者提供了数据支撑和参考。

技术领域

本发明属于地理信息技术领域，涉及一种基于改进ANN耦合异步元胞自动机的城市动态扩张模拟方法。

背景技术

元胞自动机(Cellular Automata,CA)是一种时间、空间、状态都离散，空间相互作用和时间因果关系都为局部的网格动力学模型，具有模拟复杂系统时空演化过程的能力。CA的核心问题是获取有效的转换规则。如今有许多城市扩张模拟方法和模型，例如逻辑回归、人工神经网络和随机森林算法等与CA模型耦合。逻辑回归能解释驱动因子对城市扩张模拟的重要性，但处理非线性、复杂的扩张模拟变化时模拟精度较低。所以采用使用粒子群结合CA优化后的人工神经网络ANN提取转换规则来进行城市扩张模拟，另外由于每一个城市栅格由于经济，地理位置的差异，存在空间异质性的情况，并且由于一些元胞在演化的过程中由于演化速率的不同，也同时存在时间差异性，传统的元胞自动机与现实模拟有较大的的差异，导致模拟精度较低。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进ANN与分区异步元胞自动机模型的城市动态扩张模拟方法。

为达到上述目的，本发明提供如下技术方案：

一种基于改进ANN耦合异步元胞自动机的城市动态扩张模拟方法，包括以下步骤：

S1：通过K-means方法对研究区域进行分区；

S2：通过基于ANN-HPSO-CA模型得到每个分区的转换规则；

S3：将ANN-HPSO-CA模型与异步元胞自动机模型耦合。

进一步，在所述步骤S1中，将基期年与末期年两年的研究区域的数据进行叠加，得到土地利用变化数据，对所述土地利用变化数据与其他影响土地利用变化的驱动因子数据进行K-means空间聚类分析，聚类结果中的每一个类(簇)对应元胞空间的一个分区。

进一步，所述步骤S2具体包括以下步骤：

S21：基于人行为粒子群优化和元胞自动机的改进人工神经网络ANN-HPSO-CA，在原粒子群优化算法PSO中引入全局最坏粒子，即在每次迭代中，整个种群中适应性最差的粒子，表示为Gworst：

Gworst(t)＝argmax{f(Pbest₁),f(Pbest₂),…,f(Pbest_N)}

f(·)代表对应粒子的适应度值；

引入服从标准正态分布的学习系数r3，即r3∈(0,1)，若r30，则认为是一个有推力的学习系数，有助于提高粒子的飞行速度；若r30，则认为是惩罚的学习系数，降低粒子的飞行速度；若r3＝0，表示这些坏习惯或行为对粒子没有影响；将两个加速度系数r1和r2分别替换为随机学习系数r1和r2：

r1和r2是两个值在[0,1]之间的随机数，r1+r2＝1；对于一个粒子，在每一个d＝1,2,…,D中，r1、r2、r3的值是相同的，不同粒子的r1、r2、r3的值是不同的；如果溢出边界，就将当前的值设置为边界值；

S22：将S1得到的聚类的结果输入到ANN-HPSO-CA中进行处理，得到每一个分区的转换规则。